基于全二维气相色谱的大曲分级方法及装置制造方法及图纸

本发明专利技术主要涉及酿酒技术领域。提供一种基于全二维气相色谱的大曲分级方法及装置，其核心思想是：对全二维气相色谱图进行重构，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域；建立大曲分级模型，将大曲分级关键色谱区域写入建立的大曲分级模型中；获取不同级别大曲的全二维气相色谱图，将全二维气相色谱图与大曲级别进行一一对应，建立全二维气相色谱数据集，基于建立的全二维气相色谱数据集对大曲分级模型进行训练；将待预测大曲样品的全二维气相色谱图输入经过训练的大曲分级模型中，得到待预测大曲样品的级别预测结果，能够提升大曲分级的自动化和智能化水平，可以为大曲生产工艺的优化提供了重要的技术支持。

【技术实现步骤摘要】

本专利技术主要涉及酿酒，尤其是涉及一种基于全二维气相色谱的大曲分级方法及装置。

技术介绍

1、大曲作为中国传统酿酒工艺中的重要原料，在白酒发酵过程中起到不可或缺的作用，其质量直接影响到酒体风味和品质的稳定性。大曲的质控多依赖抽样检测，通过大曲的一级率评估每个生产批次是否合格。而大曲的分级则是根据曲块横截面菌丝分布及曲块气味人为评定，往往效率较低，难以满足现代化生产对大曲质量控制的高效率和精细化要求。相反，全二维气相色谱通过提取大曲风味生成二维总离子流图，图谱特征反映风味特征，进而反映大曲级别。因此，识别出反应大曲级别的关键色谱区域对大曲生产过程的质量控制和进一步精细化分析，具有一定的指导意义。

技术实现思路

1、本专利技术所要解决的技术问题

2、提供一种基于全二维气相色谱的大曲分级方法及装置，目的在于提高对大曲级别检测的准确性和自动化程度。

3、本专利技术解决上述技术问题所采用的技术方案

4、第一方面，本专利技术提供一种基于全二维气相色谱的大曲分级方法，所述方法包括：

5、对全二维气相色谱图进行重构，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域；

6、建立大曲分级模型，将大曲分级关键色谱区域写入建立的大曲分级模型中；

7、获取不同级别大曲的全二维气相色谱图，将全二维气相色谱图与大曲级别进行一一对应，建立全二维气相色谱数据集，基于建立的全二维气相色谱数据集对大曲分级模型进行训练；

8、将待预测大曲样品的全二维气相色谱图输入经过训练的大曲分级模型中，得到待预测大曲样品的级别预测结果。

9、进一步地，所述对全二维气相色谱图进行重构包括：采集多张全二维气相色谱图，将每张全二维气相色谱图以预设的像素步长和预设的像素尺寸划分为多个全二维气相色谱图矩形区域块；以多张全二维气相色谱图中相同位置的全二维气相色谱图矩形区域块重构为一个区域块数据集；矩形区域块的位置根据矩形区域块对角点的坐标确定。

10、进一步地，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域具体包括：

11、将区域块数据集中的全二维气相色谱图矩形区域块输入建立的大曲分级模型，大曲分级模型提取全二维气相色谱特征，输出大曲级别；

12、采用k折交叉验证对各区域块的大曲分级能力进行评估，挑选出评估指标大于预设评估指标阈值的区域块作为关键色谱区域；

13、所述评估指标可采用k折交叉验证的平均准确率数值。

14、进一步地，对全二维气相色谱图进行重构时，若划分的多个全二维气相色谱图矩形区域块存在重叠，采用k折交叉验证对各区域块的大曲分级能力进行评估，挑选出所有评估指标大于预设评估指标阈值的区域作为待选关键色谱区域，将所述待选关键色谱区域中重叠面积比例大于预设重叠面积比例阈值的区域进行合并，得到关键色谱区域。

15、进一步地，所述大曲分级模型包括图像特征提取网络和级别预测网络；其中，所述图像特征提取网络为卷积神经网络；所述级别预测网络为卷积神经网络或多层感知机网络；所述图像特征提取网络和级别预测网络作为神经网络进行连接；

16、所述将大曲分级关键色谱区域写入建立的大曲分级模型中包括，在大曲分级模型训练和应用过程中，建立和全二维气相色谱图尺寸相同的遮罩张量；根据所述关键色谱区域的矩形区域块对角点来确定关键色谱区域的位置，将关键色谱区域对应位置的遮罩张量元素数值设置为1，关键色谱区域对应位置之外的遮罩张量元素数值设置为0；将所述遮罩张量和全二维气相色谱图进行哈达玛积运算，实现将大曲分级关键色谱区域写入建立的大曲分级模型中。

17、进一步地，基于建立的全二维气相色谱数据集对写入大曲分级关键色谱区域后的大曲分级模型进行训练具体包括：

18、将全二维气相色谱数据集按照设定的比例划分为训练集和验证集；

19、将训练集中的大曲全二维气相色谱图作为大曲分级模型的输入参数，将对应的大曲级别作为大曲分级模型的真实输出标签，对大曲分级模型进行训练；训练过程中将大曲分级模型输出的大曲级别预测值与对应的真实输出标签进行对比，计算损失函数，并基于损失函数反向传播对大曲分级模型参数进行优化；

20、基于验证集验证大曲分级模型的准确率，当验证集准确率大于设置的准确率阈值时，大曲分级模型的训练完成。

21、进一步地，所述建立全二维气相色谱数据集具体包括：

22、根据设置的检测参数和绘图范围用全二维气相色谱仪获取大曲样品的全二维气相色谱图；

23、将大曲样品的全二维气相色谱图与由领域内工程师或专家进行人工评定认定的大曲级别进行一一对应标注，形成包含大曲全二维气相色谱图数据与大曲级别数据的数据集，所述大曲级别采用one-hot向量或者数字形式表示。

24、进一步地，所述方法还包括对全二维气相色谱数据集中的全二维气相色谱图进行预处理，所述预处理具体包括：

25、裁剪出全二维气相色谱图中的有值区域后，通过缩放和尺寸变换调整为预设分辨率的全二维气相色谱图；

26、对调整为预设分辨率后的全二维气相色谱图采用归一化方法进行标准化，所述归一化方法内嵌在大曲分级模型的训练过程之中。

27、进一步地，所述归一化方法采用torchvision库中的transforms函数实现。

28、另一方面，本专利技术还提供一种基于全二维气相色谱的大曲分级装置，用于实现上述的全二维气相色谱的大曲分级方法，所述基于全二维气相色谱的大曲分级装置包括：关键区域识别模块、全二维气相色谱数据集构建模块、大曲分级模型训练模块和大曲分级模块；

29、所述关键区域识别模块，用于对全二维气相色谱图进行重构，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域；

30、所述全二维气相色谱数据集构建模块，用于构建全二维气相色谱数据集；

31、所述大曲分级模型训练模块，用于将大曲分级关键色谱区域写入建立的大曲分级模型中，并用建立的全二维气相色谱数据集对写入大曲分级关键色谱区域后的大曲分级模型进行训练；

32、所述大曲分级模块中存储有训练完成的大曲分级模型，基于待预测大曲样品的全二维气相色谱图得到待预测大曲样品的级别预测结果。

33、本专利技术的有益效果

34、本专利技术所述的基于全二维气相色谱的大曲分级方法及装置，获取不同级别大曲的全二维气相色谱图，通过结合区域块的划分与评估，识别出大曲等级判断的关键色谱区域，将识别的大曲分级的关键色谱区域写入建立的大曲分级模型中，将神经网络技术和全二维气相色谱图的结合能够精准预测大曲样品的级别，能够提升大曲分级的自动化和智能化水平，可以为大曲生产工艺的优化提供了重要的技术支持。

本文档来自技高网...

【技术保护点】

1.基于全二维气相色谱的大曲分级方法，其特征在于，包括：

2.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述对全二维气相色谱图进行重构包括：采集多张全二维气相色谱图，将每张全二维气相色谱图以预设的像素步长和预设的像素尺寸划分为多个全二维气相色谱图矩形区域块；以多张全二维气相色谱图中相同位置的全二维气相色谱图矩形区域块重构为一个区域块数据集；矩形区域块的位置根据矩形区域块对角点的坐标确定。

3.根据权利要求2所述的基于全二维气相色谱的大曲分级方法，其特征在于，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域具体包括：

4.根据权利要求3所述的基于全二维气相色谱的大曲分级方法，其特征在于，对全二维气相色谱图进行重构时，若划分的多个全二维气相色谱图矩形区域块存在重叠，采用k折交叉验证对各区域块的大曲分级能力进行评估，挑选出所有评估指标大于预设评估指标阈值的区域作为待选关键色谱区域，将所述待选关键色谱区域中重叠面积比例大于预设重叠面积比例阈值的区域进行合并，得到关键色谱区域。

5.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述大曲分级模型包括图像特征提取网络和级别预测网络；其中，所述图像特征提取网络为卷积神经网络；所述级别预测网络为卷积神经网络或多层感知机网络；所述图像特征提取网络和级别预测网络作为神经网络进行连接；

6.根据权利要求1-5任意一项所述的基于全二维气相色谱的大曲分级方法，其特征在于，基于建立的全二维气相色谱数据集对写入大曲分级关键色谱区域后的大曲分级模型进行训练具体包括：

7.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述建立全二维气相色谱数据集具体包括：

8.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述方法还包括对全二维气相色谱数据集中的全二维气相色谱图进行预处理，所述预处理具体包括：裁剪出全二维气相色谱图中的有值区域后，通过缩放和尺寸变换调整为预设分辨率的全二维气相色谱图；

9.根据权利要求8所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述归一化方法采用torchvision库中的transforms函数实现。

10.基于全二维气相色谱的大曲分级装置，用于实现权利要求1-9任意一项所述的基于全二维气相色谱的大曲分级方法，其特征在于，包括：关键区域识别模块、全二维气相色谱数据集构建模块、大曲分级模型训练模块和大曲分级模块；

...

【技术特征摘要】

1.基于全二维气相色谱的大曲分级方法，其特征在于，包括：

2.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述对全二维气相色谱图进行重构包括：采集多张全二维气相色谱图，将每张全二维气相色谱图以预设的像素步长和预设的像素尺寸划分为多个全二维气相色谱图矩形区域块；以多张全二维气相色谱图中相同位置的全二维气相色谱图矩形区域块重构为一个区域块数据集；矩形区域块的位置根据矩形区域块对角点的坐标确定。

3.根据权利要求2所述的基于全二维气相色谱的大曲分级方法，其特征在于，基于重构后的全二维气相色谱图判定全二维气相色谱图中大曲分级关键色谱区域具体包括：

4.根据权利要求3所述的基于全二维气相色谱的大曲分级方法，其特征在于，对全二维气相色谱图进行重构时，若划分的多个全二维气相色谱图矩形区域块存在重叠，采用k折交叉验证对各区域块的大曲分级能力进行评估，挑选出所有评估指标大于预设评估指标阈值的区域作为待选关键色谱区域，将所述待选关键色谱区域中重叠面积比例大于预设重叠面积比例阈值的区域进行合并，得到关键色谱区域。

5.根据权利要求1所述的基于全二维气相色谱的大曲分级方法，其特征在于，所述大曲分级模型包括图像特征提取网络和级别预测网络；其中...

【专利技术属性】
技术研发人员：郑佳，赵鹏举，陈荻，杨康卓，卢彦坪，苏建，赵东，
申请(专利权)人：宜宾五粮液股份有限公司，
类型：发明
国别省市：